La réforme des retraites à l’Assemblée Nationale

2. La réforme des retraites à l’Assemblée Nationale#

2.1. Introduction#

Si le gouvernement a utilisé l’article 49.3, la loi a toute fois était débattu en première lecture à l’assemblée nationale du 6 février au 17 février. Depuis 2017, il est possible d’avoir accès sur le site de l’assemblée national au retranscription des séances publiques de l’Assemblée Nationale. A ce jour, il n’existe pas de solutions pour télécharger ces transcriptions dans un (ou plusieurs) fichiers de données (csv, xlsx, etc…). Une des possibilités est d’utiliser le web-scrapping qui consiste à extraire des informations directement du code HTML d’une page web. Ici, ces pages webs correspondront aux transcriptions de chaque séances. Le script Python pour scrapper le site de l’assemblée nationale est disponible ici.

2.2. Chargement des données#

Pour commencer, nous chargeons plusieurs modules/librairies permettant de charger les données et produire les différentes visualisations.

import pandas as pd
import plotly.express as px
from lib.figures import *
from lib.constant import *
from lib.utils import *
from bokeh.io import output_notebook
output_notebook(hide_banner=True)

Une fois le chargement des modules effectués, nous chargons les données dans la dataframe (ou table de données) parlement_df.

parlement_df = pd.read_parquet('data/parlement_retraite_data.parquet')
parlement_df["is_keywords_label"] = parlement_df.is_keywords.apply(lambda x: "Oui" if x else "Non")
parlement_df.head()

	seance_number	full_text	section	subsection	date	username	groupe_sigle	len_intervention	lemmatization	keywords_detected	is_keywords	is_keywords_label
0	1	La parole est à M. le ministre du travail, du ...	Projet de loi de financement rectificative de...	Présentation	2023-02-06	GOV	GOV	185	le parole être à m. le ministre de travail , d...	[travail, plein emploi, commission de affaire ...	True	Oui
1	1	Avec tout le respect que je vous porte, madame...	Projet de loi de financement rectificative de...	Présentation	2023-02-06	valerie-rabault	SER	277	avec tout le respect que je vous porte , monsi...	[article 122, motion référendaire, vote, ratio...	True	Oui
2	1	Le pays tout entier a dit, sur tous les tons, ...	Projet de loi de financement rectificative de...	Présentation	2023-02-06	raquel-garrido	LFI	375	le pays tout entier avoir dire , sur tout le t...	[article 122, motion référendaire, pays, retra...	True	Oui
3	1	Contrairement à tout usage, et devant le silen...	Projet de loi de financement rectificative de...	Présentation	2023-02-06	sebastien-jumel	GDR	248	contrairement à tout usage , et devant le sile...	[article 122, motion référendaire, effet, réfo...	True	Oui
4	1	Le débat qui nous occupe, et qui pourrait abou...	Projet de loi de financement rectificative de...	Présentation	2023-02-06	benjamin-lucas	ECO	339	le débat qui nous occupe , et qui pouvoir abou...	[motion référendaire, pays, démocratie, vie en...	True	Oui

average_number_of_words_per_intervention(parlement_df)

intervention_frequency_per_group(parlement_df)

2.3. Analyse des mots-clés#

2.3.1. Quels mots-clés ?#

Les mots clés sont identifiés parmi différentes extractions automatiques. La première est en utilisant l’outil Biotex1 qui extrait des mots-clés à l’aide de motifs syntaxiques identifiées dans des corpus. La seconde correspond à une extraction de n-grammes, ou séquences de mots, qui se répètent souvent.

L’ensemble des mots-clés sont listés dans la table ci-dessous.

keyword_df = pd.read_excel("data/keywords_selected.ods",index_col=0)[["term"]]
datatable_from_pandas(keyword_df)

2.3.2. Proportion des interventions contenant des mots-clés#

fig_parl = px.histogram(parlement_df,
                        x="groupe_sigle",
                        pattern_shape="is_keywords_label",
                        labels={"count":"","groupe_sigle":"Groupe Politique","is_keywords_label":"Présence de mots-clés"},
                        color_discrete_map=gp_politique_color, color="groupe_sigle")
fig_parl.update_layout(yaxis_title="# Interventions")

2.3.3. Distribution des mots-clés par groupe parlementaire#

from bokeh.models import TabPanel, Tabs

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

2.3.4. Distribution des mots-clés par orientation politique#

	Groupe Parlementaire	Orientation
0	GOV	centre
1	SER	gauche
2	LFI	gauche
3	GDR	gauche
4	ECO	gauche
5	NI	aucun
6	UDI	droite
7	LREM	centre
8	MODEM	centre
9	LIOT	droite
10	RN	droite
11	LR	droite
12	SOC	gauche
13	HOR	centre
14	AE	droite
15	LT	droite
16	REN	centre
17	RRDP	gauche

from bokeh.models import TabPanel, Tabs

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

1: Juan Antonio Lossio-Ventura, Clement Jonquet, Mathieu Roche, Maguelonne Teisseire. BIOTEX: A system for Biomedical Terminology Extraction, Ranking, and Validation. ISWC: International Semantic Web Conference, Oct 2014, Riva del Garda, Italy. pp.157-160. Version Python